Noggrannhetsanalys för UAVflygfotografering

Transkript

1 Noggrannhetsanalys för UAVflygfotografering Robert Kvist Examensarbete för ingenjörs (YH)-examen Utbildningsprogrammet för lantmäteriteknik Vasa 2015

2 EXAMENSARBETE Författare: Robert Kvist Utbildningsprogram och ort: Lantmäteriteknik, Vasa Handledare: Sem Timmerbacka Titel: Noggrannhetsanalys för UAV-flygfotografering Datum Sidantal 63 Bilagor 1 Abstrakt I detta examensarbete undersöktes det hur bra noggrannhet man får på en ytmodell gjort med hjälp av UAV. Beställare var PIEneering OY. I undersökningen togs det också reda på hur antalet signaler påverkar noggrannheten på modellen. Man har även jämfört noggrannheten med flyglaserskanningsdata. Till examensarbetet utfördes en UAV-flygfotografering över Stenhaga i Vasa. Med hjälp av programmen RapidStation, RapidTerrain och PhotoScan skapades ytmodeller. Med programmen fick man fram noggrannheten för signalerna och modellerna. Det gjordes även en undersökning hur tiden påverkar noggrannheten för GNSS. Som resultat fick man en jämförelse mellan noggrannheten för flygburen laserskanning och UAV-flygfotografering, hur antalet signaler påverkade ytmodellen samt hur tiden påverkar noggrannheten för en GNSS-mottagare. Språk: svenska Nyckelord: UAV, LIDAR, GNSS

3 OPINNÄYTETYÖ Tekijä: Robert Kvist Koulutusohjelma ja paikkakunta: Maanmittaustekniikka, Vaasa Ohjaajat: Sem Timmerbacka Nimike; Tarkkuusanalyysi UAV-ilmalentokuvaukselle Päivämäärä Sivumäärä 63 Liitteet 1 Tiivistelmä Tässä opinnäytetyössä tarkasteltiin kuinka hyvä tarkkuus saadaan pintamallille, joka on tehty UAV:n avulla. Asiakas oli PIEneering OY. Tutkimuksessa otettiin myös selvää miten signaalien määrä vaikuttaa mallin tarkkuuteen. Verrattiin myös tarkkuutta lentolaserkeilausdatan kanssa. Opinnäytetyöhön tehtiin UAV-lentoilmakuvauksen Kivihaan yli Vaasassa. Luotiin malleja RapidStation-, RapidTerrain -ja PhotoScan -ohjelmien avulla. Ohjelmilla saatiin esiin signaalien ja mallien tarkkuuden. Tutkittiin myös miten aika vaikuttaa GNSS:n tarkkuuteen. Tulokseksi saatiin vertailun lentolaserkeilauksen ja UAV- ilmakuvauksen tarkkuuden välillä, miten signaalien lukumäärä vaikutti pintamalliin sekä kuinka aika vaikuttaa GNSS-vastanottimen tarkkuuteen. Kieli: ruotsi Avainsanat: UAV, LIDAR, GNSS

4 BACHELOR S THESIS Author: Robert Kvist Degree Programme: Land Surveying, Vaasa Supervisors: Sem Timmerbacka Title: Accuracy Analysis for UAV Aerial Photography Date Number of pages 63 Appendices 1 Summary In this thesis it was investigated how good an accuracy one can get on a surface model made with the help of UAV aerial photography. The client was PIEneering OY. The survey also clarifies how the number of signals affects the accuracy of the model. It also compares the accuracy with the accuracy of flight laser scanning data. A UAV aerial photography of Stenhaga in Vaasa was done as a part of this thesis work. With the help of the programs RapidStation, RapidTerrain and PhotoScan surface models were created. With the help of the programs you got the accuracy of the signals and models. The work also included a study of how time affects the accuracy of GNSS. The result was a comparison of the accuracy of airborne scanning and UAV aerial photography and a clarification of how the number of signals affected the surface model and how time affects the accuracy of a GNSS receiver. Language: Swedish Key words: UAV, LIDAR, GNSS

5 Innehållsförteckning 1 Inledning Syfte Fotogrammetri Kameran Digitalkamera Kameraparametrar Inre och yttre orientering Flygbilden Radiell höjddeplacering Fotografisk bildkvalitet UAV-flygfotografering UAV-modeller UAV intresset växer Resultat av en flygfotografering Ortofoto Digital surface model Felkällor Mätningar Tidpunkten Skuggor GNSS... 19

6 8.1 Positionsbestämning Absolut positionsbestämning Differential positionsbestämning Relativ positionsbestämning RTK Nätverks-RTK VRS Felkällor vid GNSS-mätning Flygburen laserskanning Skannerfunktion Markmodellering och markpunkter UAV-flygfotograferingen Signalnoggrannhet Beräkning Sammanfattning av signaleringen Noggrannhetsanalys för ytmodeller gjorda med flygfotografier och LIDAR-data Noggrannhetsanalys för UAV-flygfotograferingen Sammanfattning av noggrannhetsanalysen för UAVflygfotograferingen Noggrannhetsanalys för flyglaserskanningen Sammanfattning av noggrannhetsanalysen för flyglaserskanningen Jämförelse... 50

7 13 GNSS-undersökning Beräkning Sammanfattning av GNSS-undersökningen Slutdiskussion Allmänt Vidare forskning Personliga reflektioner Källförteckning Figurkällor... 62

8 1 1 Inledning Idag kan man göra ytmodeller med hjälp av flygburen laserskanning och UAVflygfotografering. I flygburen laserskanning skapas punkter i punktmoln och i UAVflygfotografering ska man utföra fotogrammetriska mätningar för att få ett punktmoln. Båda har sina för- och nackdelar, men hur bra noggrannhet har de? För att få mätt noggrannheten ska mätningar utföras i terrängen. Dessa mätningar kan utföras med en GNSS-mottagare. Också GNSS-mottagaren har noggrannhetsfaktorer t.ex. hur lång ska en observation vara för att få bra noggrannhet? Dessa är frågeställningar som kommer att besvaras i detta examensarbete. Uppdragsgivare är PIEenering Oy och därifrån kommer Mikael Holm att hjälpa mig. Data kommer att fås genom en UAV-flygfotografering av Ilkka Valli från UAS Kuvaukset. Laserdata fås av Vasa stad och GNSS-mottagaren lånas från skolan. 2 Syfte Syftet med detta examensarbete är att undersöka och jämföra noggrannheten mellan UAVflygfotografering och flygburenlaserskanning. Jag kommer även undersöka hur mängden stödpunkter, så kallade signaler, påverkar noggrannheten för ytmodellen. Dessutom kommer jag att undersöka vad som händer om man har signaler bara placerade inom ett visst område och hur det påverkar noggrannheten på andra ställen inom det flygfotograferade området. Inom det flygfotograferade och flyglaserskannade området ska jag mäta noggrannheten i höjd och med hjälp av profiler som mäts med takymeter. Jag ska även undersöka hur noggrannheten ändras beroende på tiden man står vid en punkt med en GNSS-mottagare.

9 2 3 Fotogrammetri Begreppet fotogrammetri betyder mätning i fotografisk bild eller bildmätning. Med fotogrammetri går det bestämma form, läge och storlek på objekt i fotografier. Man kan utföra fotogrammetrisk mätning i ett enskilt foto, i ett par foton eller ett block av fotografier. (Lantmäteriet m.fl., 2013, s. 181) Den grundläggande principen för fotogrammetri är triangulering. Triangulering uppstår genom att ta foton från minst två platser och då bildas strålar från varje kameraposition till punkter i terrängen. Av strålarna kan man beräkna 3-dimensionella koordinater för varje punkt. Det är också genom triangulering som våra ögon mäter avstånd. (Geodetic.com, u.å) Fotografering omvandlar den verkliga 3-dimensionella världen till platta 2-dimensionella bilder. Kameran är verktyget som används för denna omvandling. Tyvärr förloras information i själva omvandlingen och det är främst höjdinfon som försvinner. Med fotogrammetri konverteras de platta 2-dimensionella bilderna tillbaka till den riktiga 3- dimensionella världen. Men eftersom information går förlorad i den fotografiska processen kan vi inte rekonstruera den 3-dimensionella världen med endast ett fotografi. Det behövs minst två fotografier för att rekonstruera en 3-dimensionell modell. Om allt i processandet skulle gå perfekt kan två fotografier vara mer än tillräckligt. Men tyvärr behövs det alltid fler fotografier för att få ett bra resultat. Fotogrammetri använder den grundläggande principen för triangulering, det vill säga korsande linjer som används för att beräkna en punkt i alla tre dimensioner. Men till skillnad från takymetrar, kan man med hjälp av fotogrammetri mäta flera punkter samtidigt. För att triangulera fler punkter måste man känna till kamerans orientering, det vill säga position och vinklar. Med hjälp av orientering fås också XYZ-koordinaterna för varje punkt. Den vanligaste tillämpningen av fotogrammetri är att framställa en digital kartdatabas och detta görs med hjälp av flygfotogrammetri. Dessa digitala kartdatabaser kan användas till underlag för infrastrukturplanering eller kommunal detaljplanering och även till allmänna kartor eller orienteringskartor. (Lantmäteriet m.fl., 2013, s. 182)

10 3 3.1 Kameran En bild uppstår då ljusstrålar från ett objekt projiceras genom kamerans objektiv till ett bildplan. En digital sensor registrerar sedan ljusstrålarna och den digitala bildcensorn skapar en digital bild i form av en bildmatris. (Lantmäteriet m.fl.,2013, s ) Funktionen för kameran är att projicera en skarp bild av det objekt man vill avbilda på ett bildplan. Linserna i kamerans objektiv projicerar ljusstrålarna från objektet till skarpa bildpunkter på bildplanet. Med en bländare kan objektivöppningens storlek anpassas enligt ljusförhållanden. Exponeringen sköts med hjälp av en slutare, som gör att objektivet öppnas för en vald tidsperiod. (Lantmäteriet m.fl., 2013, s. 183) När flygfotografering utförs får alltid fotografiet en skalfaktor. Skalfaktorn för ett fotografi fås genom att dividera avståndet till objektet med kamerans djup, det vill säga kamerakonstanten. Skalan betecknas sedan med 1:S (Skalfaktorn), till exempel: 1:2 000 (Nämnden för skoglig fjärranalys, 1993, s. 17) En annan faktor som bör beaktas är centralprojektion (Figur 1). Bildens och det avbildade objektets former utgörs av en centralprojektion. Centralprojektionen är skapad av bilden som kameran har tagit. Ljusstrålarna som kommer från varje punkt i landskapet far igenom kamerans objektiv, det vill säga projektionscentrumet, till detektorn. Avståndet mellan projektionscentrum och bildcentrum kallas kamerakonstanten. Kamerakonstanten måste vara känd vid beräkning. (Nordkvist & Olsson, 2012, s. 35; Nämnden för skoglig fjärranalys, 1993, s.17 18)

11 4 Figur 1. En bild på centralprojektion. Projektionscentrumet är objektivet på kameran. 3.2 Digitalkamera Den digitala kameran har till skillnad från en filmbaserad kamera en platta som är täckt av ljussensorer. Sensorerna kallas även för pixlar. Pixlar kommer från engelskans picture element och är måttet på kvaliteten, det vill säga upplösningen. Ju fler sensorer desto finare detaljer syns på bilden. Sensorerna i kameran är så många att de mäts i megapixlar. (pagina.se, u.å) Även om pixlar är måttet på kvalitet betyder inte alltid många pixlar bra kvalitet. Kvaliteten på slutresultatet beror på komponenterna i hela systemet. T.ex. kvaliteten på CCD/CMOSsensorn. (Mikael Holm, personlig kommunikation, ) Varje pixel får antingen ett värde för rött, grönt eller blått ljus. Varje gång en bild tas registrerar kameran mängden färg som varje pixel får. Kamerans mikroprocessor sparar sedan all information till en digital fil, som sedan sparas på ett minne i kameran. (pagina.se, u.å) I digitala kameror kan det antingen finnas en CCD (Charge Coupled Device) eller en CMOS (Complementary Metal Oxide) bildsensor. Båda typerna omvandlar ljus till elektroniska laddningar, för att sedan bearbeta dessa till elektroniska signaler.

12 5 I CCD-sensorn registrerar sensorn ljusstyrkan för varje pixel och sedan skickas en analog signal från sensorn till ett utomstående signalbehandlingssystem. (teledynedalsa.com, u.å) I CMOS-sensorn (Figur 2) har varje pixel en egen omvandlare som ger högre hastighet för överföring av signalen till bildprocessorn. Resultatet blir att man slipper onödig belastning på kameran. Detta gör också att det blir en bättre kvalitet och upplösning. (Canon.se, u.å) Figur 2. En CMOS-sensor.

13 6 4 Kameraparametrar När en flygbild tas förbinds varje punkt på marken med motsvarande punkt i bildplanet. Detta sker via en ljusstråle genom som går objektivets projektionscentrum. Alla ljusstrålar tillsammans kommer sedan att kallas en strålkärve. Strålkärven kan delas in i två delar: en inre orientering, i kameran, och en yttre orientering, utanför kameran. Den yttre orienteringen kan konstrueras med hjälp av den inre orienteringen. Då måste kamerans inre geometri vara känd, det vill säga att man har en kalibrerad kamera. Senare i beräkningen med beräkningsprogram går det att utföra en självkalibrering för att förbättra kalibreringen. (Lantmäteriet m.fl., 2013, s. 193) 4.1 Inre och yttre orientering I Geodetisk och fotogrammetrisk mätnings-och beräkningsteknik (2014) av Lantmäteriet m.fl. står det om inre och yttre orientering: Mätkamerans (och därmed mätbildens) inre och yttre orientering är de grundläggande data, som beskriver kamerans inre geometri och dess läge och riktning när bilden togs. Den inre orienteringen beskriver bildplanets läge i förhållande till projektionscentrum, medan den yttre orienteringen beskriver kamerans läge i ett yttre koordinatsystem och kameraaxelns riktning i detta system. Tillsammans beskriver de relationen mellan bilden och objektet. Den inre orienteringen innebär alltså att man rekonstruerar de yttre strålkärvarna inne i kameran. Detta görs matematiskt med hjälp av kamerakonstanten, bildhuvudpunktens läge (samma som bildcentrum) och den radiella felteckningen. Den radiella felteckningen innebär måttet på kamerans avvikning från den perfekta centralprojektionen. Den yttre orienteringen beskriver kamerans riktning och läge i fotograferingsögonblicket. Läget utgörs av koordinater (X,Y och Z) och riktningen med tre vinklar (ω, ϕ och κ). Den yttre orienteringen kan bestämmas med relativ god noggrannhet redan vid flygningen om farkosten förses med en GNSS-mottagare, som bestämmer läget, och tre accelerometrar, som bestämmer vinklarna. Men detta räcker inte till fotogrammetrisk stereoskopisk mätning. (Lantmäteriet m.fl., 2013, s. 194, )

14 7 4.2 Flygbilden En karta är en ortogonal projektion (Figur 3) av terrängen medan flygbilden är en centralprojektion av terrängen, det vill säga ljusstrålar från terrängen går genom objektivet i kameran. I centralprojektionen där det finns höjdskillnader förvanskas arealer, vinklar och längder. På grund av olikheter i terrängen får en flygbild skalvariationer på olika objekt på olika höjder. Det som kommer närmare kameran får alltså större skala. Detta innebär att en flygbild inte har någon enhetlig skala. Bildskalan är därför ett medelskala i bilden och detta förorsakar lägesförskjutningar i bilden av terrängobjekt. Det som också kan orsaka skalvariationer är om kameraaxelns lutning, även kallat bildlutning, inte är lodrät. Om man har skalvariationer som orsakas av bildlutning kan det rättas till genom rektifiering. (Nämnden för skoglig fjärranalys, 1993, s , 60; Lantmäteriet m.fl., 2013, s. 188) Rektifiering innebär att man tar en kartbild och anpassar den mot en karta, detta gör att den får samma skala. Rektifiering går ut på att man passar ihop punkter som är på samma plats i båda fotografierna. Detta kan jämföras med att man tänjer en gummiduk så att den passar in där den ska. (Gisella.se, u.å.) Men inom fotogrammetri görs rektifieringen genom ortorektifiering, där man använder sig av en höjdmodell för rektifieringen. (Mikael Holm, personlig kommunikation, )

15 8 Figur 3 Här syns skillnaden mellan centralprojektion och ortogonalprojektion. Till kartor vill man ha ortogonalprojektion. 4.3 Radiell höjddeplacering Radiell höjddeplacering (Figur 4) betyder att olikheter i terrängen skapar skalvariationer i flygbilden. Det gör även att avbildade objekt i flygbilden kommer att förskjutas från den plats de skulle ha haft om terrängen varit plan. Flyghöjden och bildpunktens avstånd till bildcentrum påverkar deplaceringens storlek. Högt liggande terrängpunkter så som träd, bergshöjder förskjuts mot bildens kanter. Lägre punkter som gruvhål och raviner förskjuts mot mitten av bilden. Höjddeplacering är en förutsättning för stereoskopisk höjdmätning och gör stereobetraktning möjlig. (Lantmäteriet m.fl., 2013, s. 189)

16 9 Figur 4. Höjddeplacering. På den högra bilden visas att deplaceringen blir större ju längre ut på bilden ett objekt är. Den vänstra bilden visar att punkten P flyttas avståndet Δr på grund av centralprojektionen. 4.4 Fotografisk bildkvalitet Det finns olika huvudfaktorer som påverkar den slutliga flygbildens kvalitet. Dessa faktorer är: filtrering och dis bildrörelse och exponering kamera landskap och belysning. Att kunna beskriva bildkvalitet är viktigt, eftersom det ger en uppfattning om bildernas användbarhet. Det finns två slag av landskapsbelysning: direkt och diffus. Direkt innebär solbelysning och diffus innebär himmelsljus och dis. Vid extremt diffust ljus sker flygfotograferingen under ett molntäcke som ger helt skuggfria bilder. Direkt ljus ger i sin tur högre detaljkontraster som underlättar upplösningen av landskapsdetaljer. Skuggor kan

17 10 ge värdefull information, men skuggor försämrar även tolkning av skogsmark och tät bebyggelse i och med att skuggans längd beror på solhöjden. För att få ett så bra resultat som möjligt när man flygfotograferar tar man oftast flera flygbilder som överlappar varandra. Då flygbilderna överlappas kommer bilderna att ha delvis samma objekt men med i olika ljus i bilderna. Detta beror på att objekten antingen kommer i med- eller sido- motljusposition eftersom objekten kommer att gestaltas i olika vinklar. I medljuspositionen syns inte skuggan på grund av att centralprojektionens avskärmningseffekt och objektet är ljust. Medan i motljuspositionen syns skuggan och objektet är inte solbelyst. (Nämnden för skoglig fjärranalys, 1993, s , 154, 157)

18 11 5 UAV-flygfotografering UAV är en förkortning av unmanned aerial vehicle, som kan översättas med obemannat flygande fordon på svenska. UAV kan styras manuellt med en fjärrkontroll eller automatiskt med autopilot och med hjälp av förprogrammerade flygrutter. Till först utvecklades drönarna till militära ändamål, men nu har det gått mer över till karteringar av olika slag. (The UAV.com, etn.se, 2013) För att fotogrammetrisk mätning och kartframställning ska lyckas måste varje landskapsdetalj finnas med på åtminstone två bilder. Då går det att rekonstruera landskapet med hjälp av stereoskopiska modeller. För att få noggrann georeferering av området som fotograferas krävs inmätta signaler (Figur 5). Signalernas utseende, antal och storlek är avgörande för kvaliteten på slutprodukten. (Mårtensson, Reshetyuk, 2014, s. 8) Figur 5. Signalerna kan se olika ut i storlek och utseende. Här är ett exempel från en flygning i Sverige. Flygningen utförs oftast i raka flygstråk och bilderna tas med intervall så att dessa sedan överlappar varandra. Teoretiskt kan man använda 50 % överlappning, men man använder vanligen 70 % överlappning eller mer längs flygstråken. Mellan flygstråken ska det vara 30 %, helst mer. Eftersom UAV-bilder ofta tas med en kompaktkamera som inte har lika bra inre orientering och radiometrisk kvalitet som digitala fotogrammetriska flygmätkameror, ska överlappningen vara större, speciellt mellan stråken.

19 12 Detta för att t.ex. kunna skapa ett punktmoln. (Nämnden för skoglig fjärranalys, 1993, s.22, 37; Mårtensson, Reshetyuk, 2014, s.7) Ett punktmoln är en massa punkter på objekten man fotograferat, där alla punkter är inmätta i tredimensioner. Ett punktmoln kan vara fäst till ett koordinatsystem eller vara helt fritt. (Mättjänst.se, u.å.) Man strävar till att få traditionella lodbilder med vanligtvis högst 5 gons lutning. Men med UAV blir det ofta större lutningsvinklar. Därför är det bättre med mer överlappning. Genom parvisa bilder kan hela stråket utvärderas stereoskopiskt. När det bestäms vilken överlappningsgrad man ska använda finns det vissa faktorer som beaktas: UAV-farkostens hastighet flyghöjd terrängens topografi objektivets öppningsvinkel. (Nämnden för skoglig fjärranalys, 1993; s. 22, 37; Mikael Holm, personlig kommunikation, ) 5.1 UAV-modeller UAV bygger på en obemannad farkost som har en digitalkamera fäst på själva farkosten. Det kan vara ett modellflygplan eller en modellhelikopter, t.ex. en multikopter. Till kategorin multikopter hör quadrokopter, med fyra rotorer, och octokopter, med åtta rotorer. UAVflygplanen startas antingen från en ramp eller genom att planet kastas i luften (Figur 6). Planen behöver en öppen plats för startbana och landningsbana eftersom den behöver utrymme för att lyfta och för landningen.

20 13 Figur 6. En Gatewing UAV på en startramp. En quadrokopter är uppbyggd som ett X med sammanlagt fyra rotorer, en på varje ände (Figur 7). Quadrokoptern fungerar som så att två rotorer snurrar motsols och de två andra medsols. Med hjälp av olika hastigheter på de olika rotorerna bestäms det åt vilket håll multikoptern ska flyga. Quadrokoptern kan i princip flyga åt vilket håll som helst och de behöver inte så stor yta för att lyfta och landa. (the rchelicopterfun.com, u.å., Mårtensson, Reshetyuk, s. 7, 2014) Figur 7. Quadrokopter med kamera. Det finns också multikoptrar som har åtta rotorer, octokoptrar. Octokoptrarna är effektivare, enklare och stabilare att flyga än multikoptern med fyra rotorer. På samma sätt som den med

21 14 fyra rotorer så svänger den med åtta rotorer genom att öka hastigheten på de olika rotorerna. (Wowhobbies.com, u.å) 5.2 UAV intresset växer UAV:s popularitet har ökat ordentligt i takt med att de utvecklas. Trafiksäkerhetsverket Trafi planerar nya regler på obemannade luftfarkoster. Orsaken till de nya reglerna är att obemannade farkoster har blivit mer populära. Den skrev YLE att Trafi planerade släppa de nya reglerna i slutet av 2014, men ännu har de inte kommit ( ). Meningen med de nya reglerna är att säkerheten ska bli bättre. Med hjälp av de nya reglerna skyddar man även den tredje parten, det vill säga människorna på marken samt deras egendom. Man försöker trots detta att hålla bort byråkratin så mycket som möjligt. Troligtvis kommer man inte att behöva ha ett tillstånd för att flyga, men om farkosten är tyngre än 25 kilogram krävs tillstånd. (Hallamaa, 2014) I USA har man haft problem med UAVn vid flygplatser. Från juni 2014 till november 2014 har de haft 25 fall där en obemannad farkost har bara varit några meter ifrån ett flygplan som varit i luften. Fast UAV är i diameter 0,5 1,5 meter skulle det kunna skapa en katastrof. I USA håller man, som i Finland på att göra nya regler för obemannade farkoster. (Kokkonen, 2014) I Sverige har man även upplevt små katastrofer på grund av UAV farkoster. På Bromma flygplats blev man tvungen att stänga kontrollzonen en stund efter att de hade fått ett larm om en obemannad farkost. Den obemannade farkosten skulle dokumentera bygget av en trafikled. Totalt passagerare drabbade av förseningar. (Svd.se)

22 15 6 Resultat av en flygfotografering Resultatet av en flygfotografering fås genom att processa all data efter att man har fått in alla flygfotografier. Med data menas flygfotografier och koordinater för signalerna. Det finns olika saker man kan göra med data men jag nämner två metoder. Dessa två metoder är ortofoto och digital surface model (DSM) 6.1 Ortofoto Ett ortofoto är en flygbild som har omändrats från en centralprojektion till en ortogonalprojektion (Figur 8). Markytans radiella höjddeplaceringar har eliminerats. När man framställer ett ortofoto utgår man från en digital höjdmodell och en digital flygbild. Ortofotot genereras sedan med hjälp av en digital arbetsstation. Ortofotot får samma konstruktion som flygbilden, det vill säga en matris av bildelement med färger. Skillnaden mellan flygbilden och ortofotot är att objekten ligger kartmässigt på sina rätta ställen. När ortofotot skapas utgår man från en tom bildmatris, det vill säga ett framtida ortofoto utan bilddetaljer. Sedan tilldelas bildelementen färger enligt objektdetaljens markkoordinater. Detta blir då en ny flygbild med homogen skala och med ortogonalprojektion, alltså ett ortofoto. Höjdkoordinaten fås av en digital terrängmodell av landskapet. Terrängmodellen måste ha blivit mätt in tidigare med flygburen laserskanning eller fotogrammetriska eller med geodetiska metoder. Ortofoton gjorda på flygfotografier tagna på lägre höjd kräver mer detaljerade terrängmodeller, annars blir den geometriska kvaliteten dålig. Ortofotots geometriska kvalitet beror på noggrannheten i ursprungsfotots yttre orientering och den digitala terrängmodellens täthet och noggrannhet. (Lantmäteriet m.fl., 2013, s ; Nämnden för skoglig fjärranalys, 1993, s. 127) Ett ortofoto gjort med en mycket noggrann och tät DSM kallas för True Ortho Photo. I dessa true orto photon kan man inte alls se väggar på husen. DSM är förkortning på Digtial Surface Model. (Mikael Holm, personlig kommunikation, )

23 16 Figur 8. Bilden till vänster ett flygfoto och bilden till höger är ett ortofoto. Det är ett berg uppe i högre hörnet. Höjddeplaceringen i bilden har blivit korrigerat i ortofotot. 6.2 Digital surface model En digital surface model (DSM) är en ytmodell som till skillnad från en terrängmodell inkluderar alla objekt som syns t.ex. hus och vegetation.(terratec.se, u.å.). DSM är ett tredimensionellt punktmoln med X,Y och Z-koordinater. Punktmolnet fås genom fotogrammetriska metoder från flygbilderna. DSM kan fås i olika noggrannhetsklasser där bland annat tätheten är en faktor. (Åkerholm, 2012, s. 11, Mikael Holm, personlig kommunikation, ) En DSM kan också fås i rasterform och då har varje punkt ett konstant avstånd mellan varje XY-punkt till skillnad från punktmolnet. Varje XY-punkt har ett exakt Z-värde. (Mikael Holm, personlig kommunikation, )

24 17 7 Felkällor Vid mätningar och efterberäkningar uppstår det ofta ett antal felkällor och faktorer som påverkar slutresultatet. I detta kapitel beskrivs några av dem. Dessa är mätfel, tidpunkt och skuggor. 7.1 Mätningar Alla mätresultat måste alltid beskrivas med en specifikation av mätningarnas kvalitet. Med kvaliteten avses fullständighet, noggrannhet och riktighet. Fullständighet innebär att allt ska finnas med. Till noggrannhet hör tillförlitlighet (inga grova fel), modellriktighet (inga systematiska avvikelser) och mätosäkerhet (beskrivning av t.ex. standardosäkerheten). Med riktighet menas att allt är rätt tolkat och kodat. Grova fel hittar man genom att de avviker mycket från de resterande mätningarna. De systematiska avvikelserna åtgärdas matematiskt, till exempel en konstant avvikelse. Alla mätningar ska utföras med tillräcklig många överbestämningar. Med hjälp av överbestämningar kan man: Få bort grova fel. Lägga märke till systematiska avvikelser och rätta dem matematiskt. Få ett mått på mätosäkerheten genom att utjämna de tillfälliga avvikelserna. De flesta mätningar i den fotogrammetriska mätprocessen hänger ihop. Om det kommer en tillfällig avvikelse kan det uppstå systematiska avvikelser. Till exempel om man har en dålig inre orientering kan det orsaka systematiska deformationer i stereomodellen. (Lantmäteriet m.fl., 2013, s )

25 Tidpunkten Årstiden och tidpunkten är viktiga faktorer i flygfotograferingen för att få den information man vill ha. Skuggorna blir längre när solen är lågt och detta har betydande effekt på tolkningen av flygbilden. På vintern täcker snön marken och det förändrar terrängen betydligt. Flygfotograferingen kan delas in i sex tidsperioder: före lövsprickningen efter lövsprickningen sommaren före lövfällningen efter lövfällningen vintern (Nämnden för skoglig fjärranalys, 1993, s.169). Vilken tidsperiod man ska flygfotografera i beror på användningsändamålet. Före lövsprickningen och efter lövfällningen syns marken. På vintern finns det inte mycket att fotografera än mängden snö. Det går även att kartlägga t.ex. älgar på vintern. De andra tidsperioderna kan man t.ex. se behov av gödsling och bekämpning av ogräs. Detta med hjälp av en infrakamera. (Mikael Holm, personlig kommunikation, ) 7.3 Skuggor Skuggorna som uppkommer i fotografierna försvårar beräkningen för dataprogrammen. Dataprogrammen tror att skuggkanten kan vara en kant till t.ex. en annan marktyp som asfalt. Ett annat problem är om skuggan flyttar på sig under flygningen. När kameran tar ett nytt foto på samma ställe kan man inte binda ihop fotografierna lika lätt. (Mikael Holm, personlig kommunikation, )

26 19 8 GNSS I detta examensarbete har jag använt en GNSS-mottagare till min undersökning. GNSS är en förkortning av global navigation satellite system. GNSS är en kombination av satelliter som sänder signaler från rymden. De GNSS som har täckning över hela jorden är GPS, Glonass, Galileo och Compass. Med en GNSS-mottagare kan man med hjälp av signaler från satelliterna bestämma position av tids- och positionsuppgifter. (European GNSS Agency, u.å; Lantmäteriet, u.å) 8.1 Positionsbestämning Satelliterna i rymden skickar ut radiosignaler med olika frekvenser. I signalerna finns binära koder som används för positionsbestämning. Positionsbestämning bestäms med hjälp av satelliter och indelas i absolut, differentiell och relativ positionsbestämning. (Lantmäteriverket, u.å) 8.2 Absolut positionsbestämning I absolut positionsbestämning använder man en separat mottagare, så som en handnavigator. Mottagaren mottar signalerna från satelliten och ur signalerna används huvudsakligen C/Akoder (Coarse acquisition). Koden som genererats i navigatorn jämförs med den mottagna koden och då kan signalens gångtid samt avståndet till satelliten räknas ut. Med minst fyra satelliter fås positionen för mottagaren. (Lantmäteriverket, u.å)

27 Differential positionsbestämning Differential positionsbestämning, det vill säga DGPS, minskar positionsbestämningsfelen med hjälp av en differentialkorrigering. Korrigeringen medlas till mottagaren via en radio eller en mobiltelefon. (Lantmäteriverket, u.å) 8.4 Relativ positionsbestämning I relativ positionsbestämning utnyttjas satellitsignalernas bärvåg. Till positionsbestämningen behövs två mottagare varav en är på en plats med kända koordinater. Mätningen sker genom beräkning av koordinatskillnader. När mottagaren har fångat upp satellitsignalen mäter mottagaren bärvågens fas. Efter detta beräknar mottagaren hela våglängder. Vartefter satelliten förflyttar sig på sin bana så syns avståndsändringen i antalet våglängder mottagaren mottagit. De viktigaste tillämpningarna för den relativa positionsbestämningen är RTK-mätning och statisk GNSS-mätning. Vid RTK-mätningen (Real Time Kinematic) beräknas koordinaterna i realtid. Man får alltså koordinaterna genast vid mätningen. Vid RTK-mätningen behöver man en dataförbindelse mellan mottagaren vid den mätta punkten och kartläggningsmottagaren. Den statiska GNSS-mätningen beräknas i efterhand. Den statiska mätningen lämpar sig till exempel för olika slags deformationsmätningar och mätningar av noggranna fixpunktsnät. (Lantmäteriverket, u.å)

28 RTK RTK-mätningen är som jag tidigare nämnde en GNSS-mätning i realtid. Med RTK kan man förflyttas under oavbruten uppdatering av sin position till skillnad från statisk GNSSmätning. Men för att detta ska vara möjligt måste det finnas en kommunikationslänk mellan rovern och referensen. Kommunikationen kan ske med en radio eller telefon. Enkelstations-RTK eller RTK-mätning med egen referens lanserades i slutet av 1990-talet. För en enkelstations-rtk behövs en kommunikationslänk och två mottagare. Den ena mottagaren placeras på en känd punkt. Den andra mottagaren bärs av den som utför mätningen (Figur 9). (Mårtensson, 2012, s. 95) Figur 9. En mottagare står på en känd plats medan den andra mottagaren finns hos den som mäter. Lantmätaren kan bära på antennen i en ryggsäck för att förenkla mätandet. Vanligtvis har man försökt hålla avståndet mellan de två mottagarna så kort som möjligt. Helst under km. Men efter senare tids utveckling så går det ha avstånd upp till 40 km. (Mårtensson, 2012, s. 95) Nätverks-RTK Nätverks-RTK går ut på att ett antal referensstationer samarbetar för att ge användaren möjlighet att utnyttja en sömlös RTK-mätning inom täckningsområdet (Figur 10). Lantmäteriet (u.å) skriver om nätverks RTK: Konceptet innebär att referensstationerna fortlöpande skickar GNSS-observationer till en driftledningscentral, som samlar

29 22 ögonblicklig information om de felkällor som uppkommer på grund av signalstörningarna i atmosfären, samt klock- och banfel. Figur 10. Principen för Nätverks-RTK. Idag är VRS eller virtuell referensstation den hittills dominerade typen av nätverks-rtk. VRS innebär att driftledningscentralen simulerar en referensstation nära mottagaren. (Lantmäteriet, u.å.) Fördelar med nätverks-rtk: Behöver inte inrätta en basstation. Noggrannheten för det beräknade läget för mottagaren är mer homogen. Noggrannheten bevaras över mer utbrett område mellan mottagaren och referensstationerna. Högre tillgänglighet och tillförlitlighet av RTK-korrektioner. Det vill säga att om en station går ner kan en annan station ta över.

30 23 Nackdelar med nätverks-rtk: Kostnaden för att ta emot korrektioner för nätverks-rtk och prenumerera på ett RTK-nätverk. (SmartNet UK & Ireland, u.å) VRS En virtuell referensstation är en imaginär, obemannad referensstation som bara ligger några meter från RTK användaren (Figur 11). Denna position skapas från data från omgivande referensstationer på samma sätt som om den hade observerats med en GNSS-mottagare. (Swisstopo, u.å.) Att mäta i VRS-nätet går till så här: GNSS-mottagaren sänder uppgifter om sitt läge till VRS-datacentralen via en GSM/GPRS-uppkoppling. En virtuell basstation skapas av datacentralen där mottagaren finns. Observationsdata placeras i den virtuella basstationen av datacentralen från den närmaste riktiga basstationen samt interpolerar och bestämmer de felkällor som berör observationerna för den virtuella basstationen. RTK-korrigeringar börjar därefter sändas från datacentralen till mottagaren som om korrigeringarna skulle komma från en basstation nära mätningsplatsen. (Lantmäteriverket, u.å) Lantmäteriverket (u.å.) beskriver VRS: Med en dylik nätverksmetod blir noggrannheten bättre än med en konventionell RTK-metod, eftersom man nästan helt och hållet blir av med felet som beror på avståndet. Användningen av metoden betyder dessutom kostnads- och tidsbesparingar eftersom det är möjligt att avstå från en egen basstation samt dess uppsättning.

31 24 Figur 11. En bild från ett schweiziskt VRS-system. 1. Agnes basstationerna sänder data med en sekunds intervall till kontrollcentret. 2. RTK användaren skickar sin ungefärliga position. 3. Kontrollcentret avgör vilken triangel mottagaren är och beräknar en virtuell referensstation. 4. Kontrollcentret skickar data från VRS till mottagaren. 8.6 Felkällor vid GNSS-mätning Det finns flera olika felkällor som påverkar GNSS-mätningar och i värsta fall får man ingen position. Några av felkällorna är: klockfel, banfel, jonosfären, troposfären och flervägsfel. Med klockfel menas att signalen inte sänds respektive tas emot precis den tiden som anges. Satellitklockfelen är väldigt små eftersom det används atomklockor med mycket hög precision. Klockfelen går att minska med relativ mätning. Banfel uppkommer när GNSS-satelliten inte är på den position som förutspåtts i utsänt bandatan. Felet går att reducera med hjälp av relativ mätning, eller att i efterhand beräkna positionen när man har bandata av god kvalitet till förfogande. Jonosfären finns i övre delen av atmosfären och den innehåller laddade partiklar på grund av solstrålningen. När GNSS-signalen far genom jonosfären berörs den på ett sätt som är direkt proportionellt mot frekvensen. Detta är vanligtvis den största

32 25 felkällan inom GNSS-mätning. Detta går att reduceras med hjälp av att mäta på flera frekvenser eller med relativ mätning. Den nedersta delen av atmosfären är troposfären. I troposfären förekommer vädret. Här påverkas GNSS-signalen främst av vattenånga. Felet som uppstår i troposfären är något mindre än felet i jonosfären. Felet är svårare att reducera för det är inte frekvensberoende. Flervägsfelet kan förklaras genom att GNSS-signalerna inte alltid går den kortaste sträckan mellan satellit och mottagare. Flervägsfelet är i högsta grad beroende av lokala förhållanden. I en miljö med höga träd och hus är det mer allmänt med flervägsfel. Genom att mäta en längre tid kan man reducera denna felkälla. Med absolut positionsbestämning går det att minska påverkan av fel med t.ex. jonosfär- och troposfärmodeller. Vid differentiell positionsbestämning kan man nästan undgå fel tack vare bestämda korrigeringar. Med relativ positionsbestämning utjämnar felkällorna delvis varandra enligt beräkningsmetod. Med hjälp av en tvåfrekvensmottagare kan fel från jonosfären elimineras. (Lantmäteriet, u.å., Lantmäteriverket, u.å.)

33 26 9 Flygburen laserskanning Flygburen laserskanning började man utveckla på och 1980-talen bland annat vid NASA i USA. Då GPS-tekniken kom löste man problemet med positioneringen av laserskanningsinstrumentet. Efter det har tekniken kunnat utvecklas vidare. (Länsstyrelsen, 2009, s. 7) Vid flygburen laserskanning används ett flygplan eller en helikopter med syfte att samla geografisk data till exempel höjdmodeller och vegetationsanalyser (Figur 12) (Länsstyrelsen, 2009, s.7) Flygplanet använder man för stora områden med noggrannhetskrav på 5-50 cm medan en helikopter används för t.ex. vägar och kraftledningar med noggrannhetskrav på 2-10 cm. (Björklund, 2013) Det lasermätsystem som används för flygburen laserskanning är LIDAR (Light Detection and Ranging). LiDAR används också för laserskanning på marknivå. Man använder också begreppet ALS (Airborne Laser Scanning) för flygburen laserskanning. Figur 12 Flygburen laserskanning. I flygplanet har man en GPS och en IMU.

34 Skannerfunktion Själva skanningen fungerar genom att skannern mäter avståndet till olika objekt som finns på marken. Det gör den genom att skicka ut en puls i form av en ljusstråle, som registrerar tiden tills pulsen kommer tillbaka till skannern. För att veta var pulsen tog i marken måste man veta varifrån och i vilken riktning ljusstrålen kom. Detta görs med hjälp av satellitpositionering (Global Naviagation Satellite System, GNSS) och ett tröghetsnavigeringssystem (Inertial Navigation System, INS). Om man vill täcka ett större område behövs fler sensorer eller en rörlig spegel som sprider ut pulserna. (Lantmäteriet, 2009) Med INS bestäms instrumentets orienteringsriktingar dvs. lutning och vridning med en stor noggrannhet. Medan man med en GNSS kan bestämma instrumentets och farkostens position med hög noggrannhet. (Länsstyrelsen, 2009, s. 7) INS mäter kontinuerligt acceleration och vinkelförändringar. INS används för att bestämma riktning och position i förhållande till en startpunkt med känd position. I INS finns ett tröghetsinstrument IMU (Inertial Measurement Unit). INS består av tre ortogonala gyroskop, som mäter vinkelhastighet och tre accelerometrar, som mäter linjär acceleration. INS processerar sedan rådata från IMU:n till orienteringsdata som kombineras med orienteringsdata och GNSS-data genom en initiering. (Olsson, 2009, s. 30) Till avståndsmätningen använder man en laseravståndsmätare som sänder ut laserpulserna och en mottagare som även mäter intensiteten och tiden det tar för pulserna som kommer tillbaka. Denna typ av avståndsmätning kallas time-of-flight measurement. (Länsstyrelsen, 2009, s. 7 8) En laserpuls träffar ofta på flera ställen innan den når marken och ibland når den inte alls marken. Det kan bero på t.ex. träd och buskar. Dessa punkter kallas multipla reflektioner. Många flyglaserskanningssystem klarar av dessa multipla reflektioner. Ibland kan det ändå komma felaktiga punkter om laserstrålen reflekteras fler än en gång. Eftersom laserstrålen har varit i luften en längre tid än om den skulle ha reflekterats direkt till skannern, beräknar skannern att laserstrålen skulle ha reflekterats direkt. Detta leder till att punkten är längre bort än vad den är. (Björklund, 2009, s. 3 4). Hur många pulser som reflekteras tillbaka beror på hur tät vegetationen är. Om det är väldigt tät vegetation kommer bara en liten del av pulserna nå marken och om någon puls reflekteras

35 28 tillbaka är den oftast för svag för att detekteras och bli en mätpunkt. En ensam punkt som är fel och ligger långt ifrån de andra punkterna är lätt att hitta och filtrera bort. Det är alltså en felaktig punkt, en så kallad lågpunkt (Figur13). Men om punkten ligger strax under de närvarande punkterna eller om det finns flera punkter som är felaktiga är det svårt att avgöra om punkten är rätt eller fel, t.ex. en djup smal grop. På senare år har full waveform lasersystem blivit tillgängliga. Full waveform lasersystemen kan detektera multipla returer med alla returer, stora och små, och mäta avstånd. (Länsstyrelsen 2009, s ) Figur 13 Överst är en bild på hur en felaktig låg punkt uppkommer. Den nedersta bilden visar hur punktmolnet ser ut med felaktiga punkter. Många av de lasersystem som används idag klarar av att hantera och detektera ett antal multipla reflektioner. Men det är oftast begränsat till första och sista returen. Det finns vissa lasersystem som också klarar av några mellanliggande returer. (Länsstyrelsen, 2009, s. 10) Det som påverkar den slutliga upplösningen är skannerns rörelse, flygplanets fart, flyghöjd och laserpulsrepetionsfrekvens, det vill säga hur snabbt pulsernas sänds ut från skannern. Ju lägre och saktare man flyger desto bättre blir upplösningen. Exempelvis om man flyger på 2 km flyghöjd blir upplösningen 50 cm, dvs. fyra punkter per kvadratmeter. Man kan öka punkttätheten om man skannar samma område flera gånger. (Björklund, 2009, s. 3 4)

36 29 Resultatet från en mätning blir en stor mängd punkter, där varje punkt har ett intensitetsvärde (mått på mängden reflekterad laserenergi) och x-, y-, z- koordinater (Figur 14). (Länsstyrelsen, 2009, s. 8,10) Figur 14. Ett punktmoln som visar hur ett system hanterar olika returer. De röda punkterna är enkelreturer. De gröna punkterna kommer från första returer och blåa från sista returer. 9.2 Markmodellering och markpunkter Att skapa en modell av markytan med laserskanning hör till en viktig del av laserskanningstillämpningarna, t.ex. analys av markmodeller för områden som har fått ökade intressen. Vanligtvis använder man förkortningen DTM (Digital Terrain Model) eller DEM (Digital Elevation Model) när man talar om markmodeller eller terrängmodeller. Problemet med att göra en terrängmodell är att avgöra vilka punkter som är markpunkter i ett punktmoln. Det går att bestämma vilka punkter som är markpunkter genom att utföra en punktklassificering. Man delar in punkterna i klasser som byggnader, mark, vegetation, mm.

37 30 Sedan gör man en filtrering där man separerar markpunkterna från de övriga punkterna. Det tas i beaktande på att alla klassificeringsmetoder och filtreringsmetoder är gjorda på antaganden om egenskaper hos laserskanning och geometriska formationer i terrängen. Det är inte alltid entydigt vad som faktiskt är markytan utan ofta är det en tolkningsfråga. Därför kan man inte förvänta sig att filtreringen producerar markpunkter som överensstämmer exakt med det man själv förväntat sig. Det kommer alltid finnas variationer. (Länsstyrelsen, 2009, s ) Då markpunkterna har bestämts kan en DTM tas fram. De två vanligaste terrängmodellerna är TIN (Triangular Irregular Network) och raster (Figur 15). I en TIN beräknas trianglar av de markpunkter som har mäts in. Triangelytorna bildar sedan en modell av markytan. En bra sak med en TIN är att den vanligtvis är utrymmessnål, det vill säga att det räcker med få punkter (stora trianglar) för platt mark och vid en mer krävande marktopografi krävs flera punkter (mindre trianglar). Det gör att punkttätheten och trianglarnas storlek varierar i en TIN. Detta är en nackdel vid automatiska analyser eftersom algoritmerna brukar bli mer långsamma och komplexa. I en rastermodell lagrar man höjdinformationen i ett regelbundet mönster med höjdpunkter som ger enklare och snabbare algoritmer. Nackdelen blir ett större utrymmesbehov. Storleken på rastermodellen beror på upplösningen, alltså storleken på rastercellerna. Figur 15. Två terrängmodeller. En rastermodell till vänster och en TIN-modell till höger. TIN-modellen består av trianglar som har beräknats mellan punkterna. Trianglarna bildar en modell av markytan. Rastermodellen bildas av regelbundet mönster med höjdinfo.

38 31 Vid framställning av terrängmodeller från punktmoln kan man urskilja två huvudprinciper hos de metoder som används. I den första skapas terrängmodellen i tre steg: laserdata klassificeras genom att man plockar ut markpunkterna och man skapar den önskade terrängmodellen. I den andra avgörs det om en mätpunkt är en markpunkt samtidigt som markmodellen byggs upp. Man utför ingen särskild klassificeing av markpunkterna. (Länsstyrelsen, 2009, s )

39 32 10 UAV-flygfotograferingen Den 23 oktober 2014 utförde Ilkka Valli från UAS Kuvaukset (numera har verksamheten flyttats till Ympäristösuunnittelu Oy) en flygfotografering med sin multikopter Camflight 8 över Stenhaga i Vasa (Figur 16). Vi som var med på flygningen var Lantmäteri årskurs 1 och 4, Mikael Holm från PIEneering och vår lärare Sem Timmerbacka. Figur 16 Ilkka Vallis multikopter Camflight 8. Det var denna ocktocopter som tog alla bilder för detta examensarbete. På morgonen samlades vi i skolan för att gå igenom förberedelserna inför flygfotograferingen. Vi delade även upp oss i grupper. En grupp skulle lägga ut signaler med en spik i mitten och en annan grupp skulle mäta koordinater ovanpå spikhuvudena med hjälp av en GNSS-mottagare. Varje mätning skulle mätas i en minut med en mätning i sekunden, det vill säga 60 mätningar. För att mätningen skulle bli noggrannare hade vi två stödkäppar till GNSS-staven. En person höll ändan på staven mot spikhuvudet (Figur 17). GNSS var av modellen Topcon Hiper SR. GNSS-mätningen utfördes i Lecias Smartnet, som är en nätverks-rtk.

40 33 Figur 17. Här mättes en signal av några av studerandena som hjälpte till under flygningen. En person höll GNSS-staven på spiken och den andra höll staven stadigt med hjälp av två stödkäppar. Planet var utrustat med digitalkameran Nikon Coolpix A med fokallängd 18,5 mm och 16.1 megapixlars CMOS-bildsensor, sensorstorlek 23,6 x 15,6 mm och pixelstorlek 4,7859 µm. Flygningen genomfördes i Stenhaga i Vasa. Två flyghöjder 70 m och 145 m, bländare varierade f-talet mellan 2,8 till 5, slutartiden för 70 m flygningen var 1/400 s och för 145 m flygningen 1/320 s och ljuskänsligheten (ISO) var 160. Arean för 145 m flygningen blev 64 ha och för 70 m blev 13 ha. Överlappningen var 70 % på 70 m och vid 145 m en överlappning på 75 %. Hastigheten var ungefär 6 m/s till att den stannade vid fotograferingspunkten för båda flygningarna. Slutartiden för 70 m flygningen var 1/400 s och för 145 m flygningen 1/320 s.

41 34 Figur 18. En bild av flygplanen för 145 m flygningen. Vid de gula punkterna tas en bild. Siffrorna visar ordningen på fotograferingen. På förmiddagen utfördes den första flygningen. Vi hade kontakt med Vasa flygfält som meddelade, när vi fick flyga och inte fick flyga. Den första flygningen utfördes i två sessioner. Orsaken till att den utfördes i två sessioner var för att batterierna höll bara halva flygningen. Den andra flygningen gick inte lika bra som första flygningen. Multikoptern kom tillbaka av olika anledningar. Främsta felet var att batterierna inte tålde kyla. Vi bestämde därför att avbryta flygningen. Resultatet blev att ett mindre område blev flygfotograferat än väntat och utfördes i tre sessioner. Vädret var soligt och temperaturen var ca -5 C och vinden var 8 9 m/s. Vinden högre upp vi multikoptern var ungefär m/s och byig. Årstiden var inte den optimala, för i många flygfoto fick terrängobjekten långa skuggor. Detta på grund av att solen var lågt nere. Efter flygningen mätte vi på nytt koordinaterna på signalerna och plockade sedan bort signalerna medan spikarna lämnades kvar. Ännu en ny GNSS mätning utfördes där signalerna hade varit. Den mätningen utfördes Alla punkter utom en mättes på nytt, för att den var otillgänglig. Punkterna mättes på nytt eftersom vi tyckte att spridningen på koordinaterna var för stora. Spridningen uppstod för att vi höll GNSS-staven lite ostadigt trots stödkäpparna.

42 35 Spridningen var omkring 1 cm i plan och 1 2 cm i höjd. Tack vare att vi mätte flera gånger upptäckte vi att vi en gång mätte på fel spikhuvud och den mätningen fick göras om. 11 Signalnoggrannhet Med PIEneerings program RapidStation och Agisofts PhotoScan har jag skapat en modell av Stenhaga i Vasa. Det som jag undersökte i detta examensarbete är hur många signaler som är nödvändiga för Stenhaga området. Signaleringsplanen finns i bilaga 1. Jag undersökte även hur noggrannheten påverkas t.ex. i norr om man bara mäter in signalerna i söder. Signalerna (Figur 19) blev inmätta med en GNSS-mottagare. Mottagaren var en Topcon Hiper SR. Mottagaren använde Lecia Smartnet, som är en typ av nätverks-rtk. Figur 19. En av signalerna som vi lade ut och mätte koordinaterna för. Först skapade jag en första ortomosaik av flygfotografierna från UAV-flygningen i Stenhaga. Efter att ortomosaiken var färdig mätte jag in bildkoordinaterna för signalerna i båda programmen.

43 Beräkning I denna del beskrivs hur antalet signaler påverkar noggrannheten på modellen. Det kommer också fram hur många signaler som är nödvändiga och hur noggrannheten påverkas om det bara finns signaler i en sida av modellen. Enligt Mikael Holm är höjden viktigaste när man tänker mäta i punktmoln, men annars är X och Y viktigare. Jag använde PIEneerings program RapidStation och programmet Agisoft PhotoScan av Agisoft. Antalet signaler som jag tog med i undersökningen var 19 st. Ursprungligen var det tänkt att ha 20 signaler, men en signal hade för flyttat sig med vinden och den valde jag då bort. I RapidStation beräknade jag modellen i två delar, för att UAV:n landade i 145 m flygningen. I PhotoScan beräkande jag modellen i en del. Detta för att få se om olikheter uppstår. Först gav jag alla signalerna benämningen checkpoints i RapidStation (Figur 20). Med checkpoints menas att de har en noggrannhet på 1000 m, alltså inte fäst vid signalens koordinater. Då alla signaler är checkpoints ser man hur bra noggrannhet modellen har utan bestämda signaler. Figur 20. En skärmdump från RapidStation. Uppe syns signalnummer och dess koordinater. Det är "Residual" raden som jag har jämfört för signalerna. I detta fall var signalnummer 1 en checkpoint.

44 37 I PhotoScan gjorde jag samma sak (Figur 21). Alla signalerna fick noggrannheten 1000 m. Båda programmen borde ge ungefär samma resultat. Figur 21. En skrämdump från PhotoScan Jag lade noggrannheten till 1000 m i Marker accracy för alla signaler i PhotoScan. Resultatet för när alla signaler är checkpoints (Tabell 1) blev att i RapidStation fick man en bra noggrannhet med alla signaler som checkpoints. Medelavvikelsen i plan blev ungefär 4 cm och 6 cm i höjd. Standardosäkerheten blev ungefär 3 cm i plan och höjd. I PhotoScan blev inte noggrannheten lika bra som i RapidStation. Medelavvikelsen i plan blev ca 25 cm och 9 cm i höjd. Standardosäkerheten blev 23,4 cm i northing, 19,4 cm i easting och 6,9 cm i höjd. Men eftersom jag först skapade ortomosaiken med alla signaler som controlpoints och därefter klassade alla signaler som checkpoints, blev detta resultat bättre än om jag skulle ha börjat med att sätta alla som checkpunkter. Då skulle noggrannheten kunnat stiga till flera meter.

45 38 Tabell 1. Alla signaler som checkpoints. N för northing, E för easting och h för höjd. Enheten är meter. RapidStation PhotoScan N E h N E h Medelfel 0,042 0,046 0,056 0,266 0,251 0,091 Standardosäkerhet 0,031 0,032 0,036 0,234 0,194 0,069 Maxfel 0,106 0,122 0,148 0,801 0,584 0,254 Minfel 0,002 0,003 0,001 0,001 0,004 0,014 Till näst lade jag den mittersta signalen nr.9 (se bilaga 1) som controlpoint (Tabell 2). Med controlpoint menas att signalen får en noggrannhet på 0,05 m, det vill säga ungefär den noggrannhet som GNSS-mottagaren fick på grund av lutningen på GNSS-staven. De resterande signalerna blev kvar som checkpoints. Med PhotoScan gick det inte att få resultat med endast en controlpoint. Denna del har därför bara värden från RapidStation Med en signal som controlpoint blev noggrannheten dålig. Medelavvikelsen i northing blev 14,7 cm, i easting 14,2 cm och i höjd 45,1 cm. Standardosäkerheten blev 8,7 cm i northing 8,3 cm i easting och 26,2 cm i höjd. Maxfelet kom upp till 95 cm i höjd. Orsaken till denna dåliga noggrannhet är att en signal är för lite för modellen ska få bra noggrannhet. Tabell 2. Signal nr.9 som controlpoint. Denna tabell är endast resultat från RapidStation och resultatet är värden är för checkpoints. Enheten är meter. N E h Medelfel 0,147 0,142 0,451 Standardosäkerhet 0,087 0,083 0,262 Maxfel 0,320 0,280 0,950 Minfel 0,012 0,016 0,081 När jag lade två av signalerna som controlpoints, signalerna 8 och 13, förbättrades noggrannheten (Tabell 3). På samma sätt i denna undersökning kunde jag inte få något resultat med PhotoScan. Medelavvikelsen sjönk till 8,8 cm i northing, 7,3 cm i easting och 7,1 cm i höjd. Standardosäkerheten blev 6,6 cm i northing, 6,7 cm i easting och 4,4 cm i höjd. Maxfelet i höjd sjönk till 17,6 cm från 95 cm. Men även två signaler är för lite för modellen.

46 39 Tabell 3. Signalerna 8 och 13 är controlpoints. Denna tabell är endast resultat från RapidStation och resultatet är värden för checkpoints. Enheten är meter. N E h Medelfel 0,088 0,073 0,071 Standardosäkerhet 0,066 0,069 0,044 Maxfel 0,196 0,218 0,176 Minfel 0,001 0,002 0,012 När ytterligare två signaler blev controlpoints, det vill säga med fyra controlpoints, fick jag även ett resultat från PhotoScan (Tabell 4). Jag valde signalerna 1, 4, 17 och 18. De var hörnsignalerna. När antalet controlpoint fördubblades steg så klart noggrannheten också. Noggrannheten i RapidStation blev bättre. Medelavvikelsen blev 2,6 cm i northing, 3,3 cm i easting och 4,5 cm i höjd. Standardosäkerheten blev också bättre i northing och i easting, 2,1 cm respektive 2,8 cm och i höjd blev standardosäkerheten 3,4 cm. I PhotoScan blev noggrannheten sämre än i RapidStation, eftersom i RapidStation är modellen delad i två flygningar. Medelavvikelsen i höjd blev 14,4 i höjd och standardosäkerheten 7,6 cm. I plan blev noggrannheten sämre i PhotoScan. I northing blev medelavvikelsen 4,8 cm och i easting 6 cm. Standardosäkerheten blev 3,7 i northing och 3,5 i easting. Tabell 4. Signalerna 1, 4, 17 och 18 är controlpoints. Resultaten är värden för checkpoints. Enheten är meter. RapidStation PhotoScan N E h N E h Medelfel 0,026 0,033 0,045 0,048 0,060 0,144 Standardosäkerhet 0,021 0,028 0,034 0,037 0,035 0,076 Maxfel 0,077 0,089 0,097 0,144 0,113 0,243 Minfel 0,001 0,000 0,000 0,002 0,002 0,006 När ytterligare en controlpoint lades till i mitten av modellen, signal nr. 9, blev antalet fem signaler (Tabell 5). För RapidStation och PhotoScan blev medelavvikelsen och standardosäkerheten i princip lika i northing och i easting som för fyra signaler. Men precis som för fyra signaler är medelavvikelsen och standardosäkerheten bättre i RapidStation än i PhotoScan.

47 40 Höjden blev bättre för både RapidStation och PhotoScan. Medelavvikelsen i höjd för RapidStation blev 3,3 cm och 3,8 cm för PhotoScan. Standardosäkerheten i höjd blev 2 cm i RapidStation och 2,4 cm i PhotoScan. Tabell 5. Signalerna 1, 4, 9, 17 och 18 är controlpoints. Resultaten är värden för checkpoints. Enheten är meter. RapidStation PhotoScan N E h N E h Medelfel 0,026 0,036 0,033 0,048 0,054 0,038 Standardosäkerhet 0,020 0,026 0,020 0,039 0,035 0,024 Maxfel 0,075 0,087 0,063 0,152 0,104 0,092 Minfel 0,000 0,008 0,004 0,005 0,004 0,017 När signalantalet ökade till sex signaler (Tabell 6), använde jag signalerna 1, 4, 8, 13, 17 och 18. Vid sex signaler börjar förbättringen att avta i PhotoScan. I PhotoScan är medelavvikelsen och standardosäkerheten i höjd ungefär samma som för fem signaler. Men medelavvikelsen i plan har förbättrats med 1 cm. Standardosäkerheten är samma som för fem signaler. I RapidStation blev noggrannheten lite sämre, men inte märkbart. Man kan säga att det är lika bra noggrannhet för fem och sex signaler i RapidStation. Tabell 6. Signalerna 1, 4, 8, 13, 17 och 18 controlpoints. Resultaten är värden för checkpoints. Enheten är meter. RapidStation PhotoScan N E h N E h Medelfel 0,030 0,032 0,038 0,040 0,041 0,038 Standardosäkerhet 0,024 0,026 0,020 0,040 0,034 0,022 Maxfel 0,083 0,086 0,072 0,152 0,113 0,083 Minfel 0,003 0,000 0,008 0,004 0,003 0,015 När ännu en signal lades till och det blev sju signaler (Tabell 7) stannade förbättringen nästan upp. I RapidStation blev noggrannheten lite bättre än för sex signaler, men i princip samma som för fem signaler. I PhotoScan stannade förbättringen helt, eftersom modellen i PhotoScan är skapad i en del och redan vid fem signaler var noggrannheten i princip samma ihöjd, fem signaler är tillräckligt för PhotoScan för en flygning.

48 41 Tabell 7. Signalerna 1, 4, 8, 9, 13, 17 och 18 är controlpoints. Resultaten är värden för checkpoints. Enheten är meter. RapidStation PhotoScan N E h N E h Medelfel 0,024 0,034 0,030 0,042 0,042 0,038 Standardosäkerhet 0,018 0,025 0,018 0,042 0,036 0,022 Maxfel 0,062 0,085 0,051 0,154 0,116 0,078 Minfel 0,002 0,009 0,006 0,003 0,006 0,010 Till sist undersökte jag med nio signaler (Tabell 8), alltså tre uppe, tre i mitten och tre nere i modellen. Då blev noggrannheten också samma i RapidStation som i fem, sex och sju signaler. I PhotoScan blev det inte heller nu någon förbättring. Detta för att fem signaler räcker när modellen är skapad i en del. Denna test med nio signaler visar att noggrannheten inte ökar mycket fast man lägger till två signaler. Orsaken till att jag inte ökar antalet mer i detta examenarbete, till t.ex. 15 signaler, är för att det blir för lite checkpoints kvar att utföra beräkningar på så att resultatet blir trovärdigt. Tabell 8. Signalerna 1, 2, 4, 8, 9, 13, 17, 18 och 20 är controlpoints. Resultaten är värden för checkpoints. Enheten är meter. RapidStation PhotoScan N E h N E h Medelfel 0,022 0,037 0,033 0,037 0,033 0,037 Standardosäkerhet 0,019 0,026 0,018 0,035 0,022 0,022 Maxfel 0,062 0,084 0,052 0,122 0,075 0,069 Minfel 0,002 0,010 0,006 0,003 0,008 0,004 Som en jämförelse tog jag alla 19 signaler som var klassade som controlpoints (Tabell 9). Då förbättrades noggrannheten en aning i båda programmen. I RapidStation blev medelavvikelsen 1,9 cm i northing, 2,7 cm i easting och 1,7 cm i höjd. Standardosäkerheten blev 1,2 cm i northing, 1,9 cm i easting och 1,2 cm i höjd. I PhotoScan blev noggrannheten lite sämre. Medelavvikelsen blev 3,1 i alla led. Standardosäkerheten blev 2,6 cm i northing, 2,1 cm i easting och 2,2 i höjd. Detta blev resultatet om lägger noggrannheten på GNSSmätningarna till 5 cm.

49 42 Tabell 9. Alla signaler som control points. Resultaten är värden för controlpoints, eftersom det inte finns några checkpoints. Enheten är meter. RapidStation PhotoScan N E h N E h Medelfel 0,019 0,027 0,017 0,031 0,031 0,031 Standardosäkerhet 0,012 0,019 0,012 0,026 0,021 0,022 Maxfel 0,041 0,062 0,042 0,083 0,067 0,096 Minfel 0,000 0,000 0,000 0,004 0,004 0,003 Till sist undersökte jag hur noggrannheten påverkas om alla signaler på en sida av modellen är controlpoints. Jag valde signalerna 1, 2, 3, 5, 6, och 8 (Tabell 10). I RapidStation blev medelavvikelsen i northing 5,5 cm, i easting 7,1 cm och i höjd 7 cm. Medelavvikelsen i PhotoScan blev 38,5 cm i northing, 53,8 cm i easting och 17,7 cm i höjd. Alltså blev noggrannheten i plan och höjd bättre i RapidStation än i PhotoScan om man har signalerna på en sida. Att ha signaler på bara en sida är ingen bra idé. Speciellt dåligt för PhotoScan eftersom modellen är skapad som en flygning. Tabell 10. Noggrannheten när signalerna 1, 2, 3, 5, 6, och 8 är controlpoints. Resultatet är för de resterande signalerna. Enheten är meter. RapidStation PhotoScan N E h N E h Medelfel 0,055 0,071 0,070 0,385 0,538 0,177 Standardosäkerhet 0,029 0,045 0,048 0,233 0,451 0,159 Maxfel 0,106 0,146 0,158 0,855 1,410 0,516 Minfel 0,015 0,007 0,006 0,100 0,058 0, Sammanfattning av signaleringen Sammanfattningsvis kan man konstatera att noggrannheten blir bättre ju fler signaler man har. Denna undersökning visade hur mycket bättre det blir med fler signaler. Man bör komma ihåg att noggrannheten gäller denna modell och dessa värden stämmer inte

50 43 nödvändigtvis ihop med antal signaler på en annan modell. Förbättringen borde bli ungefär samma. Orsaken till att förbättringen blir så mycket bättre mellan en och fyra signaler är att med flera signaler modellerar beräkningsprogrammet bättre bort fel i GNSS:n ombord på UAV:n. Även självkalibreringen av kameran, som utförs av beräkningsprogrammet, blir bättre med fler signaler. Då RapidStation delade upp modellen i två flygningar blev noggrannheten i plan och höjd bättre än i PhotoScan, som beaktade allt som en flygning. När modellen delades upp i två flygningar blev noggrannheten bättre än då modellen skapades som en flygning. I RapidStation och PhotoScan blev inte noggrannheten avsevärt bättre efter fem signaler. Jag drar den slutsatsen att fem signaler var optimalt för denna ytmodell. Ett annat alternativ till att minska antalet signaler är att ha en RTK-GPS i UAV:n. Det görs ett examensarbete för PIEneering OY på samma gång som detta examensarbete som behandlar om det går att vara utan signaler eller åtminstone minska antalet signaler om man har en RTK-GPS ombord på UAV:n

51 44 12 Noggrannhetsanalys för ytmodeller gjorda med flygfotografier och LIDAR-data För detta examensarbete ska jag undersöka hur bra noggrannhet ytmodeller gjorda med flygfotografier har och även jämföra det med LIDAR-data. Flygfotografierna fick jag från UAV-flygfotograferingen i Stenhaga i Vasa och LIDAR-data fick jag av Vasa Stad Noggrannhetsanalys för UAV-flygfotograferingen När UAV-flygfotograferingen utfördes gjorde vi två olika flygningar på två höjder en på 70 m och en på 145 m. Av flygfotografierna skapade jag två ytmodeller för att testa noggrannheten i höjd för ytmodellerna användes två program. PIEneerings RapidTerrain och Agisofts PhotoScan användes för att skapa punktmoln av ytmodellerna (Figur 22). Ytmodellerna hade samtliga signaler klassade som controlpoints, så modellen hade den bästa noggrannheten den kunde ha. Till själva beräkningen använde jag programmet 3D-Win av 3D-system. Materialet som jag använde fick jag från UAV-flygfotograferingen. Figur 22. En ortomosaik över modellen som skapades av flygfotografierna av den högre flygningen. Modellen är gjort i Agisoft PhotoScan.

52 45 Till noggrannhetsanalysen mättes två profiler med takymeter och prisma. Takymetern var av modellen Leica TS15 (Figur 23). Utgångspunkterna för orienteringen av takymeter var två av signalerna som vi hade mätt tre gånger med en GNSS-mottagare. Men eventuella systematiska fel i GNSS-mätningen har inte beaktats. Den ena profilen blev mätt på en lättrafikled och den andra blev mätt på en kantsten vid en trottoar. Dessa två profilers höjddata ska jämföras med modellen från det flygfotograferade materialet. Figur 23. Med en Lecia TS15 takymeter utfördes profilmätnigarna. I PhotoScan skapade jag punktmolnet själv, medan punktmolnet från RapidTerrain skapades av PIEneering på grund av tidsbrist. I PhotoScan behövde jag exportera ytmodellen till ett punktmolnformat så att jag fick ett punktmoln. Med hjälp av punktmolnet beräknas noggrannheten i 3D-Win. För att få in materialet i 3D-Win behövde jag ta ut en liten del av punktmolnet. Jag klippte ut områdena ur punktmolnet där profilerna mättes med programmet Autodesk Recap. I Recap sparades filen i PTS-format (Ett punktmolnformat). Punktmolnet öppnades därefter i 3D-Win där beräkningarna utfördes. I 3D-Win triangulerades punktmolnet först för att skapa en terrängmodell och sedan tog jag in profilerna (Figur 24). Punktmolnet från RapidTerrain som jag fick av PIEneering var punktmolnet färdigt utklippt där profilerna fanns. Jag tog in punktmolnen i 3D-Win och triangulerade punktmolnet till en terrängmodell och tog sedan in profilerna.

53 46 Figur 24. Punktmolnet triangulerat i 3D-Win. Punkterna markerade med cirklar är punkterna från profilmätningen. Denna triangulering är av det laserskannade materialet. Efter detta använde jag ett beräkningsprogram i 3D-Win. I beräkningsprogrammet markerades alternativet Z modell Z (Figur 25). Det betyder att man tar profilpunktens höjd minus punktmolnets höjd. Svaret som beräkningsprogrammet gav för varje profilpunkt lades in i en Exceltabell. skillnaden mellan profilens höjd och modellens höjd. Avvikelsen är i meter. Figur 25. Beräkningsprogrammet i 3D-Win. I den svarta rutan visas